Futbol Veri Analisti Nasıl Olunur? İşin Gerçekte Ne Olduğu

Futbol hiçbir zaman sayılardan yoksun bir oyun olmadı. Gol, asist, şut, topa sahip olma oranı ve pas yüzdesi onlarca yıldır oyunun parçası. Değişen şey, kulüplerin artık ne kadar fazla bilgiye ulaşabildiği ve bu bilginin oyuncu alımından antrenörlük kararlarına, performans değerlendirmesinden kadro planlamasına kadar ne kadar geniş bir alanda kullanıldığı.

Bugün profesyonel bir maç binlerce kayıtlı aksiyon üretebiliyor. Kulübün kullandığı sistemlere bağlı olarak analistler her oyuncunun nerede konumlandığını, ne kadar hızlı hareket ettiğini, hangi pas kanallarının açık olduğunu, savunma bloğunun ne kadar kompakt kaldığını, baskının nerede kırıldığını ve bir pozisyon oluşmadan önce topsuz alanda neler yaşandığını da görebiliyor. Buna birkaç sezonluk oyuncu verisi, video, scouting raporları, antrenman bilgileri ve fiziksel test sonuçları eklendiğinde, bir antrenörün ya da scoutun tek başına sağlıklı biçimde işleyebileceğinden çok daha büyük bir veri havuzu ortaya çıkıyor.

Futbol veri analistinin görevi bu malzemeyi işe yarar hâle getirmek. Bu bazen bir transfer profiline uyan oyuncuları bulmak, bazen takımın neden daha az kaliteli pozisyon üretmeye başladığını araştırmak, bazen farklı liglerin fiziksel taleplerini karşılaştırmak, bazen de videoda fark edilen bir durumun gerçekten tekrar eden bir örüntü olup olmadığını kontrol etmek anlamına geliyor.

İşin günlük gerçekliği, dışarıdan görünen futbol analitiği imajından daha sade. Bir veri analisti her gün değeri düşük kalmış yeni yıldız adayları bulmuyor ya da kulübe kimi transfer etmesi gerektiğini söyleyen modeller kurmuyor. İşin büyük bölümü doğru soruyu sormak, o soruya hangi verinin yardımcı olabileceğini belirlemek, veriyi kontrol etmek ve eldeki bilgilerin neyi söyleyip neyi söyleyemediğini dürüstçe ortaya koymaktan oluşuyor.

Futbol veri analisti gerçekte ne yapar?

Bu rolün tek bir standart tanımı yok. Bir futbol veri analisti oyuncu alımı ve recruitment tarafında, A takım performans ekibinde, spor biliminde, akademide ya da daha geniş bir futbol stratejisi departmanında çalışabilir. Büyük kulüplerde bu alanların her biri için ayrı analistler, veri bilimciler ve veri mühendisleri bulunabilir. Daha küçük yapılarda ise aynı kişi birkaç farklı işi birlikte yürütmek zorunda kalabilir.

Recruitment tarafında çalışan bir analist haftasını farklı liglerdeki oyuncuları karşılaştırarak, arama araçlarını güncelleyerek, mevcut bir oyuncunun olası alternatiflerini inceleyerek ya da scoutların hangi isimlere daha yakından bakması gerektiğini belirlemelerine yardımcı olarak geçirebilir. A takıma daha yakın çalışan biri pozisyon üretimi, geriden oyun kurma, baskı, savunma geçişleri ya da sıradaki rakip üzerine yoğunlaşabilir. Spor bilimine yakın bir rolde ise GPS verileri, sprint yükleri ve oyuncuların maruz kaldığı fiziksel talepler daha fazla yer tutar.

Bu yüzden iş unvanları yanıltıcı olabilir. İki farklı kulüp “Football Data Analyst” başlığıyla ilan açıp birbirinden oldukça farklı profiller arayabilir. Bir kulüp güçlü Python ve SQL bilgisi isterken diğeri video analizi, dashboard hazırlama ve recruitment desteğinin karışımını bekleyebilir. Başka bir kulüpte aynı unvan spor bilimine çok daha yakın bir pozisyonu ifade edebilir. Bir ilanı anlamaya çalışırken başlıktan çok sorumluluklara bakmak gerekir.

İyi bir analiz çoğu zaman kod yazılmadan önce başlar. İlk mesele futbol problemini doğru tarif etmektir.

Bir kulübün yeni bir sol bek aradığını düşünelim. İlk bakışta basit görünen bu ihtiyaç, rol tanımlanmaya başladığında hemen dallanır. Oyuncunun çizgiye basıp genişlik vermesi mi bekleniyor? Takım topa sahipken orta sahaya mı girecek? Önde baskı yapan bir takımda arkasındaki geniş alanı savunması mı gerekecek? Baskı altında top taşıması önemli mi? Sürekli bindirme yapması mı isteniyor? Hem bek hem kanat bek oynayabilmesi gerekli mi? Geri koşu hızı, orta kalitesinden daha mı önemli?

Hangi verinin ölçüleceğini bu kararlar belirler. Rol tanımı belirsizse, daha fazla veri çoğu zaman yalnızca aynı belirsiz sorunun daha karmaşık bir versiyonunu üretir.

Rol netleştiğinde teknik çalışma başlar. Farklı sağlayıcılardan gelen verilerin temizlenmesi ve birleştirilmesi gerekebilir. Lig seviyeleri hesaba katılabilir. Oynanan dakika, takımın topa sahip olma oranı ve oyun tarzı ham karşılaştırmaları bozabilir. Bazen bir model kurulur; bazen de sonuç çok daha sıradan istatistiksel çalışmalar, dikkatli kontroller ve karşılaştırmanın gerçekten adil olup olmadığını anlamaya harcanan zaman sayesinde ortaya çıkar.

Son aşama iletişimdir. Antrenörlerin ve scoutların analiz arkasındaki kodu incelemeye ihtiyacı yoktur. Onların bilmesi gereken, analistin ne bulduğu, bu bulguya ne kadar güvenilebileceği ve bundan sonra neye bakmanın anlamlı olduğudur. Bazen bunun için bir dashboard gerekir. Bazen kısa bir rapor yeterlidir. Bazen en kullanışlı çıktı tek bir grafik ve beş dakikalık bir konuşmadır.

Modern futbolda hangi veriler kullanılıyor?

“Futbol verisi” tek bir şeyden oluşmuyor. En bilinen türü event data, yani maç içindeki aksiyonların kaydıdır. Paslar, şutlar, top taşımalar, müdahaleler, top kesmeler, baskılar, ikili mücadeleler, fauller ve diğer aksiyonlar bu veri türünün içinde yer alır. Bu kayıtlara aksiyonun nerede gerçekleştiği, topun nereye gittiği, başarılı olup olmadığı ve pozisyonla ilgili başka ayrıntılar da eklenebilir.

Bugün yaygın olarak kullanılan birçok analiz bu verinin üzerine kuruludur. Expected goals (xG), expected assists (xA), progressive pass, progressive carry, şut haritaları, pas ağları ve ceza sahasına girişler gibi ölçümler yapılandırılmış event data olmadan üretilemez.

Ancak event data oyunun yalnızca bir bölümünü kaydeder. Bir forvet topa hiç dokunmadan yaptığı koşuyla iki savunmacıyı peşinden sürükleyip takım arkadaşına alan açabilir. Bir orta saha oyuncusu herhangi bir savunma aksiyonu kaydetmeden birkaç saniye boyunca rakibin pas kanalını kapatabilir. Bir stoper, orta sahadaki takım arkadaşı markaj altında olduğu için o pası hiç denemeyebilir; doğru karar tam da pasın gerçekleşmemiş olmasıdır.

Futbolun önemli bir bölümü kayda geçen aksiyonların arasında yaşanır.

Tracking data bu boşluğun bir kısmını doldurur. Oyuncuların ve topun maç boyunca konumlarını tekrar tekrar kaydederek saha üzerindeki yerleşimi görünür hâle getirir. Böylece takım genişliği, savunma hattının yüksekliği, topsuz koşular, oyuncular arasındaki mesafeler, baskı yapıları ve topa sahip oyuncunun önündeki seçenekler incelenebilir. Sadece “pas tamamlandı mı?” diye bakmak yerine pasın ne kadar zor olduğu, oyuncunun ne kadar baskı altında bulunduğu veya başka hangi seçeneklerin mevcut olduğu da araştırılabilir.

Bir de fiziksel veri vardır. Toplam mesafe, yüksek hızda koşu, sprint mesafesi, maksimum hız, hızlanma ve yavaşlamalar bir rolün fiziksel taleplerini anlamaya yardımcı olur. Bu bilgiler performans ekipleri için önemlidir, ancak recruitment tarafında da kullanılır. Bir oyuncu teknik olarak belirli bir takıma uygun görünebilir ama o takımın istediği rolü yerine getirecek fiziksel profile sahip olmayabilir.

Kulüp içinde kullanılan veri bunlarla da sınırlı değildir. Analistler GPS kayıtları, antrenman yükleri, sağlık ve oyuncu uygunluk bilgileri, scouting notları, akademi değerlendirmeleri, sözleşme detayları ve yıllar içinde biriken kulüp içi raporlarla da çalışabilir.

Asıl mesele bu verilerin hepsini aynı anda kullanmak değildir. Önünüzdeki soruya hangisinin gerçekten yardımcı olacağını belirlemektir.

Uzun bir metrik listesi neden tek başına yeterli değil?

Futbol analitiğinin dilini öğrenmek çok uzun sürmez. xG, xA, PPDA, field tilt, possession value, progressive pass ve veri sağlayıcılarının geliştirdiği onlarca başka metriğe kısa sürede aşina olunabilir. Daha zor olan, bir sayının ne zaman gerçekten bir şey anlattığını, ne zaman bağlamın sayının kendisinden daha önemli olduğunu öğrenmektir.

Expected goals buna iyi bir örnek. Bir xG modeli, bir şutun gol olma ihtimalini tahmin eder. Şutun konumu ve açısı temel değişkenler arasındadır; kullanılan modele göre pozisyonun başka ayrıntıları da hesaba katılabilir. Farklı sağlayıcılar farklı modeller kullandığı için aynı şutun xG değeri her platformda birebir aynı olmak zorunda değildir.

xG'nin asıl faydası her şuta bir ondalık sayı vermek değildir. Şut kalitesiyle ortaya çıkan sonucu birbirinden ayırmaya yardımcı olmasıdır.

İki forvet de sezonu 15 golle bitirebilir. Biri her hafta yüksek kaliteli pozisyonlara girip normal bir bitiricilik oranıyla skor üretiyor olabilir. Diğeri daha zayıf bir şut toplamından birkaç olağanüstü bitiriş çıkararak aynı gol sayısına ulaşmış olabilir. Gol hanesi iki sezonu eşit gösterir. Altta yatan performans aynı olmak zorunda değildir.

Daha basit istatistiklerde de aynı sorun vardır. Yüzde 94 pas isabetiyle oynayan bir stoper gerçekten çok iyi bir pasör olabilir; ya da maç boyunca çoğunlukla kısa ve risksiz paslar atıyor olabilir. Progressive carry sayısı yüksek bir kanat oyuncusu bire birde olağanüstü olabilir; ya da geçiş hücumlarına dayalı oynayan bir takımda önünde sık sık geniş alan buluyor olabilir. Çok yüksek savunma aksiyonu sayısına sahip bir orta saha rakipsiz bir savunmacı olabilir; ya da takımı topa çok az sahip olduğu için sürekli savunma yapmak zorunda kalıyor olabilir.

Per-90 değerleri oynanan dakika sorununu azaltır, ama karşılaştırmanın temel problemini çözmez. Topa sahip olma oranı önemlidir. Skor durumu önemlidir. Rol önemlidir. Takımın gücü önemlidir. Teknik direktörün oyuncudan istedikleri önemlidir. Lig seviyesi önemlidir.

Manchester City'nin yakın dönem recruitment çalışmaları bu noktayı iyi gösteriyor. Kulübün Eylül 2026'da kamuoyuna yansıyan sürecinde bütün bek oyuncularının tek bir profil olarak değerlendirilmediği görüldü. Daha savunmacı bekler, iç koridora giren oyuncular ve yüksek hatta genişlik veren bekler farklı gruplarda ele alınıyor. Yani sayılara geçmeden önce rol tanımlanıyor; ardından o rolü değerlendirmek için hangi verinin anlamlı olduğuna bakılıyor. Manchester City'nin recruitment sürecine ilişkin BBC Sport haberi.

Profesyonel futbol analitiğine dair bundan daha gerçekçi bir görüntü, iki radar grafiğini yan yana koyup hangisinin daha büyük alana sahip olduğuna bakmaktır.

Kulüpler veriyi recruitment sürecinde nasıl kullanıyor?

Veri analistlerinin neden recruitment departmanlarında çalıştığını anlamak kolaydır; çünkü ortadaki sorun çok büyüktür. Hiçbir scouting departmanı, ilgilenebileceği bütün liglerdeki bütün profesyonel futbolcuları ayrıntılı biçimde izleyemez. Kulüpler hangi oyunculara zaman ayıracaklarını belirlemek zorundadır.

Veri bu sürecin filtrelerinden biridir.

Manchester City örneği ölçeği oldukça net gösteriyor. 2026'da kulübün recruitment operasyonu üzerine yayımlanan habere göre City'nin başlangıç havuzunda yaklaşık 650.000 oyuncu bulunuyor. Recruitment ekibi aradığı profili tanımladıktan sonra analitik filtreler bu havuzu yaklaşık 20 ila 50 kişilik bir uzun listeye indirebiliyor. Bu liste scouting çalışmalarıyla karşılaştırılıyor ve daha ayrıntılı incelemeler yapılmadan önce yeniden daraltılıyor. BBC Sport.

650.000 sayısı dikkat çekici, fakat sürecin sırası daha önemli. Filtrelerin işe yaraması için önce birilerinin ne arandığını tarif etmesi gerekir. Sonrasında da kararı veri tek başına vermez. City'nin sportif direktörü Hugo Viana aynı haberde verinin sürecin yalnızca bir parçası olduğunu, karakter, zihniyet ve davranış gibi özellikleri tam anlamıyla ölçemediğini özellikle vurguluyor.

City'nin bir başka örneği kulübün A Beautiful Obsession belgeselinde görüldü. Kevin De Bruyne'nin yaratıcı sorumluluklarının bir bölümünü üstlenebilecek oyuncu arayışında City analistleri saha genelinde 43 metriği ölçtüklerini, bunları yedi sayıya indirdiklerini ve benzer oyuncu profillerini gruplamak için kullandıklarını anlatıyor. Rayan Cherki bu değerlendirmede De Bruyne'nin profiline zaman içinde yaklaşabilecek isimlerden biri olarak öne çıkıyor ve City daha sonra oyuncuyu transfer ediyor. Manchester City'nin A Beautiful Obsession için yayımladığı resmi sayfa.

Bu örneğin ilginç tarafı City'nin kullandığı modeli tahmin etmeye çalışmak değil. Kulübün 43 değişkeninin tam olarak ne olduğunu, nasıl ağırlıklandırıldığını veya karşılaştırmanın bütün ayrıntılarını bilmiyoruz. Örneğin gösterdiği asıl şey, benzerlik analizi anlamlı hâle gelmeden önce yapılması gereken iş.

“Bir sonraki Kevin De Bruyne'yi bulalım” analitik açıdan kullanılabilir bir brief değildir. De Bruyne'nin hangi özellikleri, kulübün doldurmaya çalıştığı rol için gerçekten önemli? Şans yaratma mı? Son üçüncü bölgeye paslar mı? Topu ileri taşıma mı? Dripling ve carry'ler mi? Şut tehdidi mi? Topu aldığı bölgeler mi? Baskı altında oynayabilmesi mi? Bu özelliklerin her biri ne kadar ağırlık taşımalı?

Analistin işi, futbol tarifinin ölçülebilir kriterlere dönüşmesine yardımcı olmaktır. Kısa liste bundan sonra gelir.

Bu yüzden recruitment analitiğini otomatik çalışan bir transfer sistemi gibi düşünmemek daha doğru. Verinin büyük faydası, ilk bakışta yönetilemeyecek kadar geniş bir oyuncu havuzunu scoutların ve recruitment ekibinin gerçekten inceleyebileceği bir gruba indirebilmesidir.

Performans, taktik ve rakip analizi

Her futbol veri analisti transferlerle çalışmaz. Bazıları zamanının büyük kısmını takımın haftadan haftaya karşılaştığı sorunları inceleyerek geçirir.

Bir takımın son haftalarda daha az pozisyon üretmeye başladığını düşünelim. Şut sayısının düşmüş olması problemi gösterir, ama nedenini açıklamaz. Analist takımın son üçüncü bölgeye ne kadar sık girdiğine, bunu hangi yollarla yaptığına, kilit orta saha oyuncularının daha fazla baskı altında top alıp almadığına, beklerin topu ileri taşıma sıklığının düşüp düşmediğine ya da rakiplerin geriden oyun kurulumunu savunma biçimlerini değiştirip değiştirmediğine bakabilir.

Savunma tarafındaki bir sorun için tamamen farklı sorular gerekir. İlk baskı hattı ne kadar sık kırılıyor? Kırıldıktan hemen sonra ne oluyor? Orta saha ikinci toplara geç mi kalıyor? Rakipler sürekli aynı boşluğu mu buluyor? Savunma hattı son bir ayda daha mı geride konumlanmaya başladı?

Bu çalışmalar genellikle veri ve video birlikte kullanıldığında daha güçlüdür. Video analiste olası bir örüntü gösterebilir; veri ise bunun gerçekten yeterince sık yaşanıp yaşanmadığını ortaya koyabilir. Tersi de mümkündür: alışılmadık bir sayı, videoda özellikle neye bakılması gerektiğini gösterebilir.

Rakip analizi de aynı mantıkla ilerler. Teknik ekibe sıradaki rakiple ilgili eldeki bütün istatistikleri vermenin pek anlamı yoktur. Faydalı sorular daha dardır. Rakip kale vuruşlarından nasıl çıkıyor? Baskı altında hangi oyuncu kilit hâle geliyor? Savunma bölgesinden çıkarken belirli bir tarafı tercih ediyor mu? Topu en çok nerelerde kaybediyor? En tehlikeli pozisyonlarını hangi oyun sekanslarından üretiyor?

Burada performance analysis ile data analysis arasında doğal bir örtüşme vardır. Geleneksel olarak performance analyst daha çok video, maç kodlama ve taktik sunumlarla; data analyst ise yapılandırılmış veri, istatistik ve modelleme ile ilişkilendirilir. Modern kulüplerde sınır çoğu zaman bu kadar temiz değildir. İki tarafta çalışan analistlerin de birbirinin kullandığı yöntemleri anlayacak kadar ortak bir dile sahip olması gerekir.

İşin teknik tarafı

Konu futbol olabilir, ancak bu hâlâ bir veri mesleğidir.

SQL önemlidir çünkü profesyonel kulüpler ve veri şirketleri büyük miktarda bilgiyi veri tabanlarında tutar. Analistin doğru kayıtları bulabilmesi, tabloları birleştirebilmesi, veriyi filtreleyebilmesi ve aynı işi her hafta baştan kurmadan tekrar çalıştırılabilir sorgular yazabilmesi gerekir.

Python futbol analitiği ve data science tarafında oldukça yaygındır. R'ın da güçlü bir futbol analitiği topluluğu vardır. Her ikisi veri temizleme, otomasyon, istatistiksel analiz, modelleme ve görselleştirme için kullanılabilir. CV'ye mümkün olduğunca fazla programlama dili yazmanın pek değeri yoktur; bunlardan birini gerçek, dağınık veri üzerinde rahatça kullanabilmek çok daha önemlidir.

Excel de hâlâ işin içindedir. Hızlı kontroller, recruitment listeleri ve tek seferlik talepler sık sık spreadsheet'lerde dolaşır. Power BI ve Tableau gibi araçlar ise antrenörlerin, scoutların veya yöneticilerin alttaki koda dokunmadan kullanabileceği dashboard'lar hazırlamak için yaygındır.

İşin önemli bir bölümü ortaya çıkan son grafikten çok daha sıradandır. Farklı sağlayıcılardaki oyuncu isimleri eşleştirilir. Lig isimleri değişir. Bazı kayıtlar eksiktir. Veri sağlayıcısı bir alanın yapısını değiştirir ve dün çalışan sorgu bugün bozulur. Yinelenen bir kayıt fark edilir. Bir dashboard'un bir haftadır yanlış filtreyle çalıştığı ortaya çıkar.

Bunların hepsi normal veri problemleridir. Futbol da bunlardan muaf değildir.

İstatistik bilgisi de bu yüzden önemlidir. Ortalama, dağılım, varyans, percentile, olasılık, korelasyon, örneklem büyüklüğü ve belirsizlik gibi temel kavramlarla rahat çalışmak gerekir. Futbol sürekli olarak küçük örneklemler ve gürültülü sonuçlar üretir. Bir oyuncunun altı haftalık olağanüstü formu, önündeki iki yıl hakkında çok az şey söyleyebilir. Bir takım iyi oynayıp kaybedebilir. Altta yatan bir metrik faydalı olabilir ama gerçeğin kusursuz bir temsili olmak zorunda değildir.

Daha ileri çalışmalarda regresyon, sınıflandırma, clustering, dimensionality reduction veya machine learning kullanılabilir. Computer vision da video üzerinden oyuncu konumlarını çıkarmayı mümkün hâle getirerek alanı genişletti.

Ancak karmaşık bir yöntem kullanmak analizi otomatik olarak daha iyi yapmaz. Soruyu açık biçimde cevaplayan basit bir çalışma, yalnızca gelişmiş bir teknik kullanmak için kurulmuş modelden daha değerlidir.

Ne kadar futbol bilgisi gerekiyor?

Verinin ne zaman asıl meseleyi kaçırdığını anlayacak kadar.

Profesyonel futbol oynamış ya da antrenörlük yapmış olmak şart değildir. Fakat oyunu anlamadan futbol verisini doğru yorumlamak zordur. Taktik bağlam sayıları sürekli değiştirir. Bir kanat oyuncusunun istatistikleri rolü değiştiği için yükselebilir; oyuncunun kendisi daha iyi hâle geldiği için değil. Bir orta saha daha güçlü bir takıma transfer olduktan sonra daha az progresif görünebilir, çünkü topu ileri taşıma sorumluluğunu başka biri almıştır. Bir stoper daha az savunma aksiyonu yapabilir, çünkü takımı artık çok daha fazla topa sahiptir.

Sayılar bu değişiklikleri tek başına açıklamaz.

Tersi de doğrudur. Bir insan futbolu çok iyi anlayabilir ama veri analizi için gereken teknik veya istatistiksel becerilere sahip olmayabilir. Taktik bilgisi SQL öğretmez. Binlerce maç izlemek, olasılık, örneklem ve veri temizleme konularında otomatik olarak yetkinlik kazandırmaz.

Bu alana iki taraftan da giren insanlar var. Bazıları futbol içinden gelip teknik tarafı sonradan öğreniyor. Bazıları matematik, bilgisayar bilimi, mühendislik, ekonomi, finans veya başka veri yoğun alanlardan gelip futbol bilgisini geliştirmek zorunda kalıyor.

Futbol dışından gelen biri için veriye bakarken aynı zamanda maç izlemek en yararlı alışkanlıklardan biridir. Bir oyuncu sayılarda sıra dışı görünüyorsa onu izleyin. İki oyuncu istatistiksel olarak neredeyse aynı görünüyorsa ikisini de izleyip benzerliğin nerede bozulduğunu bulun. Bir metrik transfer ya da teknik direktör değişikliği sonrasında sert biçimde değişiyorsa maçlara geri dönün.

Zamanla verinin oyunun hangi bölümlerini iyi yakaladığını, hangi bölümlerde daha dikkatli yorumlanması gerektiğini görmeye başlarsınız.

Üniversite diploması gerekiyor mu, bu alana nasıl girilir?

Futbol veri analisti olmak için tek bir akademik yol yok. İstatistik, matematik, bilgisayar bilimi, data science, mühendislik ve ekonomi gibi bölümler güçlü bir temel sağlayabilir. Spor bilimi ve performance analysis mezunları da programlama ve istatistik becerilerini geliştirdiklerinde veri rollerine geçebilir.

Bazı işverenler ilgili bir üniversite diplomasını açıkça ister. Bazıları içinse pratik olarak ne yapabildiğiniz daha önemlidir. Büyük bir veri setiyle çalışabiliyor musunuz? Temiz ve tekrar üretilebilir kod yazabiliyor musunuz? Temel istatistik kavramlarını gerçekten anlıyor musunuz? Bir metriği neden seçtiğinizi açıklayabiliyor musunuz? Analiz, biri maçı izlediğinde hâlâ anlamlı görünüyor mu?

Araştırma ağırlıklı data science pozisyonlarında lisansüstü eğitim daha fazla önem kazanabilir. Ancak futbol analitiğinin tamamı için geçerli tek bir akademik rota yoktur.

Ayrıca bu alan, profesyonel bir kulüp size kendi sistemlerine erişim vermeden önce de ciddi işler ortaya koyabileceğiniz futbol kariyerlerinden biridir. Açık veri setleri bunu mümkün kılıyor. Örneğin Hudl Statsbomb belirli lig ve turnuvalara ait açık event data yayımlıyor ve Python ile R üzerinden bu verilerle çalışmak için kaynaklar sunuyor. StatsBomb Open Data.

Bir portföyün çok büyük olması gerekmez. İyi tasarlanmış tek bir proje, birbirine benzeyen on oyuncu radarından daha fazla şey anlatabilir.

Görselleştirmeyle değil, futbolla ilgili bir soruyla başlayın. Belirli bir biçimde top ilerleten orta sahalar hangileri? Bir takımın teknik direktör değişikliğinden sonra pozisyon üretim biçimi değişti mi? Hangi forvetler düzenli olarak yüksek kaliteli şut pozisyonlarına giriyor? Çok belirli bir taktik role uygun oyuncuları nasıl arardınız?

Sonra düşünce sürecini gösterin. Soruyu neden seçtiğinizi, verinin neleri kapsadığını ve neleri kapsamadığını, metrikleri neden kullandığınızı anlatın. Şaşırtıcı sonuçları kontrol edin. Mümkünse videoya dönün. Analizin zayıf tarafları varsa bunları da açıkça yazın.

Bir kulübün ihtiyaç duyduğu çalışma biçimi buna, yalnızca temiz görünen bir grafik üretmekten çok daha yakındır.

Çalışmaları yayımlamak da faydalı olabilir. Kişisel bir site, GitHub deposu veya iyi yazılmış bir analiz, işe alım yapan kişiye CV'deki “Python biliyorum” satırından daha fazla şey gösterir. Ayrıca futbol sektöründeki insanların sizinle üzerine konuşabileceği somut bir çalışma ortaya koyar. Python bilmek elbette önemlidir; onu bir futbol problemini düşünmek için nasıl kullandığınızı göstermek daha açıklayıcıdır.

Bu işin günlük hayatı nasıl?

Her hafta yeni bir transfer adayını bulmakla geçmez.

Veri temizleme, son dakika talepleri, değiştirilmesi gereken dashboard'lar, aniden çalışmayı bırakan sorgular ve hiçbir sonuca çıkmayan analizler işin parçasıdır. Saatler boyunca ilginç görünen bir örüntü üzerinde çalışıp daha sonra tek bir veri hatasını düzelttiğinizde bütün sonucun ortadan kalktığını görebilirsiniz. Bazen birkaç saatlik çalışmanın sonunda elde edilen tek sonuç, güvenle söylenebilecek kadar güçlü bir kanıt olmadığıdır.

Bu da faydalı bir sonuçtur.

Kararların ağırlığı yüksek olabilir. Recruitment analizi milyonlarca değerindeki transfer görüşmelerinin bir parçası olabilir. A takım raporları maçtan kısa süre önce antrenör ekibine gidebilir. Fark edilmeyen bir hata, hiç dahil olmaması gereken bir tartışmayı etkileyene kadar sistem içinde kalabilir.

Çalışma saatleri pozisyonun nerede olduğuna bağlıdır. A takıma yakın görevlerde akşamlar, hafta sonları ve maç günleri işin parçası olabilir. Recruitment departmanları transfer dönemlerinde çok daha yoğun çalışabilir. Veri sağlayıcıları veya spor teknolojisi şirketlerindeki roller ise daha klasik teknik işlere benzeyebilir.

Maaşlar da büyük farklılık gösterir. Güçlü SQL, Python ve istatistik becerilerine sahip biri finans, teknoloji veya başka bir ticari sektörde çok daha yüksek gelir elde edebilir. Futbol zaten çok fazla başvuru çeken bir alan olduğu için teknik becerileri burada kullanmak her zaman ekonomik olarak en güçlü tercih değildir.

İşin çekiciliği başka yerde. Yapılan çalışma doğrudan futbol kararlarına yakın olabilir. Bir analiz, scoutun sıradaki hangi oyuncuyu izleyeceğini değiştirebilir, recruitment ekibinde yerleşmiş bir varsayımı sorgulatabilir veya teknik ekibin sahada gördüğü bir problemi daha iyi anlamasına yardımcı olabilir.

Üstelik bu beceriler futbolun dışına çıkıldığında da değerini kaybetmez. SQL, Python, istatistik, görselleştirme ve veri mühendisliği; sonraki işiniz başka bir kulüp, federasyon, veri sağlayıcısı, spor teknolojisi şirketi ya da tamamen farklı bir sektör olduğunda da kullanılabilir.

İyi bir futbol veri analisti zamanla neyi analiz etmemesi gerektiği konusunda da bir sezgi geliştirir. Hangi iki oyuncunun doğrudan karşılaştırılmaması gerektiğini, ne zaman örneklemin fazla küçük olduğunu ve hangi metriğin aslında oyuncudan çok takımını anlattığını fark eder. Fazla düzgün görünen sonuçları kontrol eder. Kanıt zayıfsa bunu söylemekten çekinmez.

Modern kulüpler tek bir karar için ihtiyaç duyulandan çok daha fazla veri toplayabilir. İşin amacı bunların tamamını cevaba doldurmak değildir. Hangi kısmın gerçekten o cevabın içinde olması gerektiğini bulmaktır.

Manchester City'nin recruitment süreci bu nedenle iyi bir örnektir. Yüz binlerce oyuncu yönetilebilir bir listeye indirilebilir. Modeller daha yakından bakmaya değer profilleri ortaya çıkarabilir. Tracking ve fiziksel veriler, gözle tutarlı biçimde karşılaştırılması zor özellikleri görünür hâle getirebilir.

Ama listedeki oyuncuların yine izlenmesi gerekir. Scoutların görüş oluşturması gerekir. Antrenörlerin oyuncunun sisteme uyup uymayacağına karar vermesi gerekir. Sağlık, sözleşme ve finans tarafındaki soruların hâlâ cevaplanması gerekir.

Veri analistinin rolü tam da burada yerine oturur: kararı başkalarının yerine vermek değil, o kararı verecek insanların elindeki kanıtı daha iyi hâle getirmek.